Update README.md

README.md

@@ -1,3 +1,71 @@
 ---
 license: apache-2.0
+language: es
+datasets:
+- bertin-project/alpaca-spanish
+pipeline_tag: text2text-generation
+tags:
+- salpaca
+- mT5
+- spanish
 ---
+
+Esta es una versión más pequeña del modelo google/mt5-base con embeddings solo en español y algunas en inglés obtenidas de https://huggingface.co/JorgeSarry/
+El número de parámetros del modelo es de 244 millones de parámetros, lo que da como resultado un modelo de 0,9 GB, el 42 % del original.
+
+Puedes usar este modelo utilizando el tag "instrut5:"
+
+=====
+
+This is a smaller version of the google/mt5-base model with only Spanish and some English embeddings obtained from https://huggingface.co/JorgeSarry/
+The number of model parameters is 244M parameters, resulting on a model of 0.9GB - 42% of the original one.
+
+You can use this model starging with the tag "instrut5:"
+
+---
+
+# Spanish Alpaca mT5
+
+This repository contains a mT5 fine-tuned model on the [Bertin Project - Alpaca Spanish](https://huggingface.co/datasets/bertin-project/alpaca-spanish) cleaned version dataset.
+
+# Usage
+
+## Using the model
+
+The model was trained on the following kind of code that shows the prompt as 'input_text' and the output:
+
+```python
+from transformers import AutoTokenizer, AutoModelForSeq2SeqLM
+
+model = 'jalbarracin/spanish-alpaca-mT5'
+model_tokenizer = 'jalbarracin/spanish-alpaca-mT5'
+tokenizer = AutoTokenizer.from_pretrained(model_tokenizer)
+model = AutoModelForSeq2SeqLM.from_pretrained(model).to('cpu') #puedes cambiar a 'cuda' si tienes GPU
+
+input_text ="""instrut5: QuanticoTrends (https://www.quanticotrends.com/) se dedica al monitoreo de redes sociales para empresas. Escribe un anuncio para anunciar los servicios de QuanticoTrends en facebook<in></in>"""
+
+inputs = tokenizer(input_text, return_tensors="pt").to('cpu') #puedes cambiar a 'cuda' si tienes GPU
+
+outputs = model.generate(inputs["input_ids"],
+                         do_sample = True,
+                         max_length = 500,
+                         num_return_sequences=3, #recomiendo hasta 6 para que no demore mucho
+                         top_k=50,
+                         top_p=0.90,
+                        )
+detok_outputs = [tokenizer.decode(x, skip_special_tokens=True) for x in outputs]
+
+for output in detok_outputs: 
+    print(output)
+    print("/n") # imprime un salto de linea para separar cada uno de los outputs (en el caso que num_return_sequences sea mayor que 1)
+```
+
+El output de este ejemplo:
+
+```python
+¡¿Echa un vistazo a nosotros y descubre los servicios de QuanticoTrends en Facebook! Observa el rendimiento de tus sitios web, recopila información de empresas, construye relaciones con otros usuarios e incluso realiza un seguimiento de tus campañas. ¡Disfruta de las herramientas que necesitas para hacer la transición a la realidad virtual! #QuanticoTrends #Marketing #Sostenibilidad
+
+¡Bienvenido a QuanticoTrends! Estamos dedicados al monitoreo de redes sociales para empresas y nuestro servicio al cliente. Nuestro monitoreo de redes sociales está diseñado para brindar a los usuarios la mejor experiencia, consejos y consejos para tomar decisiones inteligentes y productivas para nuestras empresas. ¡Únete a nosotros hoy para estar al día con las tendencias de QuanticoTrends!
+
+¡Aprovecha nuestra especialidad de monitoreo de redes sociales para empresas! Regístrate ahora y crea una nueva selección de servicios y recursos que se adaptan a tus intereses y necesidades. # QuanticoTrends #empresas # MonitoreoDe redes sociales #MantenteSeguro #Visibilidad
+```